[发明专利]一种层级多粒度矩阵分解的物品推荐方法

说明书

本发明公开了一种层级多粒度矩阵分解的物品推荐方法，由于在推荐系统中，矩阵分解算法是一种将评分矩阵分解为两个低维矩阵的推荐算法，并能够学习到用户偏好和物品特征。但目前的矩阵分解算法及其改进算法都只利用到单个特征向量来表示用户和物品，因此存在预测精度低的问题。针对该技术问题，本发明提出了一种可用于具有用户评分的购买物品推荐的基于深度学习的层级多粒度矩阵分解推荐方法。本发明结合深度学习提取特征的优势，利用多个不同的特征向量来表示同一用户或物品，使得用户的偏好表示更加准确。此外，本发明也克服了现有的基于深度学习的推荐算法仅利用最后一层来做预测，却忽略了神经网络每层特征变换带来的信息损失的技术问题。

技术领域

本发明属于推荐技术领域，具体涉及一种层级多粒度矩阵分解的物品推荐方法。

背景技术

随着大数据的大力发展，推荐技术越发成熟，被推荐的物品可以是用户在某个平台网站或者移动终端的应用程序上购买的商品，如生活用品、书籍、歌曲、电影等。当前，用于电影的推荐方案主要存在下述不足：

第一，目前的基于矩阵分解的推荐算法要求对用户或物品用同一维度的特征向量来描述，而这显然是不符合实际情况的。例如，在推荐过程中，有些用户与系统交互次数多，推荐系统能够收集到这些用户大量的历史行为数据；而另一些用户与系统交互次数少，推荐系统只能收集到其少量的历史行为数据。因此，当推荐算法采用低维的特征向量来表示所有用户或物品时，对于拥有大量历史行为数据的用户来说，低维的特征向量是不足以表示该类用户的。而采用高维的特征向量时，对于拥有少量历史行为数据的用户来说又太过于泛化，也不能准确表示该类用户。因此，如何发展一种能够适用于所有用户偏好场景的推荐算法是目前研究中面临的一个关键问题。

第二，深度学习被成功的应用于自然语言处理和图像处理等领域，所以目前大量的基于深度学习的推荐算法也都采用类似的网络结构学习深层特征。但是，这种提取特征的网络结构由于仅使用了最后一层来做预测，却忽略了神经网络每层特征变换带来的信息损失问题，因此，需要综合考虑推荐系统领域和其它领域的相同点与差异，设置一种适用于推荐系统领域的改进方法。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种层级多粒度矩阵分解的物品推荐方法。

本发明的一种层级多粒度矩阵分解的物品推荐方法，包括下列步骤：

步骤1：设置整体评分预测模型：

所述整体评分预测模型包括用户数据输入层、物品数据输入层、L层的用户特征层、物品特征层和预测评分处理层，以及预测评分输出层；

其中，用户特征层1通过公式得到第1层的隐特征向量u₁，f()表示预设的激活函数，W₁^(u)、分别表示用户特征层1的映射权重和偏置项；Ι_u表示用户u的输入数据，通过拼接用户u的属性特征向量X_u和用户u的所有评分记录R_u得到；

用户特征层j通过公式得到第j层的隐特征向量u₁，f()表示预设的激活函数，W_j^(u)、分别表示用户特征层j的映射权重和偏置项，其中j＝2,…,L；

物品特征层1通过公式得到第1层的隐特征向量v₁，f()表示预设的激活函数，W₁⁽ⁱ⁾、分别表示物品特征层1的映射权重和偏置项；Ι_i表示物品i的输入数据，通过拼接物品的评分R_i和物品属性特征向量Y_i得到；

物品特征层j通过公式得到第j层的隐特征向量u₁，f()表示预设的激活函数，W_j⁽ⁱ⁾、分别表示物品特征层j的映射权重和偏置项，其中j＝2,…,L；